LayoutGKN: Graph Similarity Learning of Floor Plans

📄 arXiv: 2509.03737v1 📥 PDF

作者: Casper van Engelenburg, Jan van Gemert, Seyran Khademi

分类: cs.CV

发布日期: 2025-09-03

备注: BMVC (2025)

🔗 代码/项目: GITHUB

💡 一句话要点

LayoutGKN：通过图相似性学习提升楼层平面图匹配效率

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)

关键词: 图神经网络 图匹配 图相似性学习 楼层平面图 图核

📋 核心要点

  1. 现有图匹配网络在楼层平面图等图结构数据匹配中，计算复杂度高，推理速度慢。
  2. LayoutGKN的核心思想是将跨图节点级交互延迟到嵌入过程的后期，从而减少计算量。
  3. 实验表明，LayoutGKN在保持或提升图匹配精度的同时，显著提高了推理速度。

📝 摘要（中文）

楼层平面图描绘了建筑布局，通常表示为图以捕捉潜在的空间关系。比较这些图对于搜索、聚类和数据可视化等应用至关重要。目前最成功的图比较方法，即图匹配网络，依赖于代价高昂的中间跨图节点级交互，因此在推理时间上较慢。我们引入了LayoutGKN，这是一种更有效的方法，它将跨图节点级交互推迟到联合嵌入架构的末尾。我们通过使用可微图核作为最终学习的节点级嵌入上的距离函数来实现这一点。我们表明，LayoutGKN在显著提高速度的同时，计算出的相似性与图匹配网络相当或更好。代码和数据已开源。

🔬 方法详解

问题定义：论文旨在解决楼层平面图的图相似性比较问题。现有图匹配网络（GMN）方法在进行图相似性计算时，需要在节点级别进行大量的跨图交互，导致计算复杂度高，推理速度慢，难以应用于大规模数据集或实时场景。

核心思路：LayoutGKN的核心思路是延迟跨图节点级别的交互。不同于GMN在早期就进行节点间的匹配和信息传递，LayoutGKN首先独立地学习每个图中节点的嵌入表示，然后在嵌入空间中使用可微图核函数来计算图之间的相似度。这样可以避免大量的中间节点级交互，从而提高计算效率。

技术框架：LayoutGKN的整体框架包括以下几个主要阶段：1) 节点嵌入：使用图神经网络（GNN）学习每个图中节点的嵌入表示。每个图的节点特征通过多层GNN进行信息聚合和转换，得到节点级别的嵌入向量。2) 图嵌入：将节点嵌入聚合为图级别的嵌入表示。可以使用简单的平均池化或者更复杂的注意力机制来实现。3) 图核计算：使用可微图核函数计算两个图的相似度。论文采用了一种基于高斯核的图核函数，该核函数计算两个图嵌入之间的距离，并将其转换为相似度得分。4) 损失函数：使用对比损失（Contrastive Loss）或三元组损失（Triplet Loss）来训练模型，使得相似的图在嵌入空间中距离更近，不相似的图距离更远。

关键创新：LayoutGKN的关键创新在于将跨图节点级交互延迟到嵌入过程的后期，并使用可微图核函数作为距离度量。这种设计避免了GMN中大量的中间节点级交互，从而显著提高了计算效率。此外，使用可微图核函数使得整个模型可以端到端地进行训练。

关键设计：在节点嵌入阶段，可以使用不同的GNN架构，例如GCN、GAT等。图核函数的选择也很重要，论文中使用的高斯核函数是一个不错的选择，因为它具有良好的平滑性和可微性。损失函数的选择也会影响模型的性能，对比损失和三元组损失都是常用的选择。此外，超参数的调整，例如GNN的层数、学习率、正则化系数等，也需要仔细调整以获得最佳性能。

📊 实验亮点

实验结果表明，LayoutGKN在楼层平面图匹配任务上取得了与图匹配网络相当甚至更好的性能，同时显著提高了推理速度。具体来说，LayoutGKN在保持精度的情况下，推理速度提升了数倍。开源的代码和数据也方便了其他研究者进行复现和改进。

🎯 应用场景

LayoutGKN可应用于楼层平面图的搜索、聚类、数据可视化等领域。例如，在建筑设计中，可以利用LayoutGKN快速搜索与给定平面图相似的设计方案。在房地产领域，可以用于楼盘户型分类和推荐。此外，该方法还可以扩展到其他图结构数据的相似性比较任务中，例如社交网络分析、生物信息学等。

📄 摘要（原文）

Floor plans depict building layouts and are often represented as graphs to capture the underlying spatial relationships. Comparison of these graphs is critical for applications like search, clustering, and data visualization. The most successful methods to compare graphs \ie, graph matching networks, rely on costly intermediate cross-graph node-level interactions, therefore being slow in inference time. We introduce \textbf{LayoutGKN}, a more efficient approach that postpones the cross-graph node-level interactions to the end of the joint embedding architecture. We do so by using a differentiable graph kernel as a distance function on the final learned node-level embeddings. We show that LayoutGKN computes similarity comparably or better than graph matching networks while significantly increasing the speed. \href{https://github.com/caspervanengelenburg/LayoutGKN}{Code and data} are open.